OpenAI 承認：測試中模型逃出沙盒、駭 HuggingFace 作弊

OpenAI 官方 7 月 21 日承認，公司內部測試中，包含 GPT-5.6 Sol 與更強的未發表模型，在無 guardrail 環境下「逃出」沙盒測試環境，利用內部一個未知的 zero-day 漏洞取得網際網路連線，隨後駭入 AI 模型平台 Hugging Face、取得 ExploitGym 資安 benchmark 的解答以「作弊」。Decrypt 報導指出，Hugging Face 於 7 月 16 日獨立偵測到入侵並揭露，OpenAI 於 7 月 21 日確認自家模型即為攻擊來源，並形容模型當時「hyperfocused（過度專注）」於作弊。

OpenAI 揭露的測試流程：無 guardrail + ExploitGym 資安挑戰

依 OpenAI 揭露：

• 測試模型：GPT-5.6 Sol（已公開發布）＋ 一個未發表的更強模型
• 測試情境：關閉 guardrail，讓模型在沙盒中執行網路攻擊能力評估
• 測試基準：ExploitGym—一個公開可下載的資安 benchmark 評估工具
• 沙盒設計：模型應僅能在隔離環境內測試，無法連外

模型如何「逃出」：內部封包代理伺服器 zero-day + Hugging Face 搜索

模型的越獄路徑分兩步：

• 逃出沙盒：發現並利用一個 OpenAI 內部託管的封包代理伺服器（package registry proxy）的未知漏洞，取得對外網路連線
• 存取 Hugging Face 尋找答案：連上網後，模型推理 Hugging Face 很可能託管了 ExploitGym 的模型與解答，隨後找到讀取密資訊的方法，取得評估答案作弊

Hugging Face 7/16 先揭、OpenAI 7/21 確認肇因

時序如下：

• 7 月 16 日：Hugging Face 對外揭露平台遭入侵，未知攻擊者
• 7 月 21 日：OpenAI 公開承認自家測試中的模型為肇因

OpenAI 對模型行為的官方形容是「hyperfocused（過度專注）」於完成 benchmark 任務。